CN116229218B - 一种模型训练、图像配准方法及装置 - Google Patents

一种模型训练、图像配准方法及装置 Download PDF

Info

Publication number
CN116229218B
CN116229218B CN202310516976.3A CN202310516976A CN116229218B CN 116229218 B CN116229218 B CN 116229218B CN 202310516976 A CN202310516976 A CN 202310516976A CN 116229218 B CN116229218 B CN 116229218B
Authority
CN
China
Prior art keywords
voxel
image
sample
sample image
normal distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310516976.3A
Other languages
English (en)
Other versions
CN116229218A (zh
Inventor
李劲松
高艺伟
胡佩君
周天舒
田雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202310516976.3A priority Critical patent/CN116229218B/zh
Publication of CN116229218A publication Critical patent/CN116229218A/zh
Application granted granted Critical
Publication of CN116229218B publication Critical patent/CN116229218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本说明书公开了一种模型训练、图像配准方法及装置，可以基于第一原始图像和第二原始图像中包含的每个体素的正态分布，通过随机采样的方式生成用于训练配准模型的样本图像，并且由于生成的样本图像中包含的每个体素在采样过程中的值是随机的，所以生成的样本图像的对比度不同，但是，由于生成的样本图像中包含的每个体素在采样过程中是基于真实图像的正态分布生成的，所以生成的样本图像中包含的体素的分布仍与真实图像中包含的体素的分布相似，从而可以提升用于训练配准模型的训练样的多样性，进而可以增强配准模型的通用性以及泛化性。

Description

一种模型训练、图像配准方法及装置
技术领域
本说明书涉及图像处理技术领域，尤其涉及一种模型训练、图像配准方法及装置。
背景技术
目前，通过深度学习模型进行医学图像配准是一种常用的医学图像配准方法，由于通过深度学习模型进行医学图像配准的方法避免了医学图像配准对人力资源的依赖，并提升了医学图像配准的效率，受到了广泛的关注。
深度学习模型需要经过训练后，方可被应用到医学图像配准中，而深度学习模型的训练效果与训练深度学习模型所使用的训练数据的多样性和数量密切相关。但是，对深度学习模型进行训练所需的训练数据往往较难获取，从而导致训练出的深度学习模型的通用性以及泛化性较差。
发明内容
本说明书提供一种模型训练、图像配准方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种模型训练方法，包括：
获取第一原始图像和第二原始图像，所述第一原始图像和第二原始图像为历史采集到的患者的计算机断层扫描CT图像；
通过随机采样的方式从所述第一原始图像中采样得到符合第一正态分布的各第一样本体素，并根据所述各第一样本体素得到第一样本图像，以及，通过随机采样的方式从所述第二原始图像中采样得到符合第二正态分布的各第二样本体素，并根据所述各第二样本体素生成第二样本图像，所述第一正态分布用于表示所述第一原始图像中包含的各体素的体素值分布，所述第二正态分布用于表示所述第二原始图像中包含的各体素的体素值分布；
将所述第一样本图像和所述第二样本图像输入到配准模型中，以通过所述配准模型得到所述第一样本图像对应的形变场，所述形变场为将所述第一样本图像进行转换为所述第二样本图像所需的形变参数；
根据所述形变场对所述第一样本图像进行形变，得到形变后第一样本图像；
以最小化所述形变后第一样本图像和所述第二样本图像之间的偏差为训练目标，对所述配准模型进行训练。
可选地，通过随机采样生成符合所述第一原始图像中包含的各体素的体素值对应的正态分布的各第一样本体素，并根据所述各第一样本体素得到第一样本图像，以及，通过随机采样生成符合所述第二原始图像中包含的各体素的体素值对应的正态分布的各第二样本体素，并根据所述各第二样本体素生成第二样本图像，具体包括：
确定所述第一原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第一正态分布，通过随机采样，生成符合所述第一正态分布的各第一样本体素，根据符合所述第一正态分布的各第一样本体素得到第一样本图像中患者的指定身体部位对应的图像；
以及，确定所述第二原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第二正态分布，通过随机采样，生成符合所述第二正态分布的各第二样本体素，根据符合所述第二正态分布的各第二样本体素得到第二样本图像中患者的指定身体部位对应的图像。
可选地，确定所述第一原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第一正态分布，具体包括：
确定所述第一原始图像中包含的患者的指定身体部位对应的各体素在所述第一原始图像中的位置，作为各第一原始体素标签；
从各第一原始体素标签中，随机采样得到各第一体素标签，并确定各第一体素标签对应的体素的体素值的正态分布，作为第一正态分布；
通过随机采样，生成符合所述第一正态分布的各第一样本体素，根据符合所述第一正态分布的各第一样本体素得到第一样本图像中患者的指定身体部位对应的图像，具体包括：
针对每个第一原始体素标签，通过随机采样，生成符合所述第一正态分布的体素，作为该第一原始体素标签对应的第一样本体素；
根据符合所述第一正态分布的各第一样本体素得到第一样本图像中患者的指定身体部位对应的图像；
确定所述第二原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第二正态分布，具体包括：
确定所述第二原始图像中包含的患者的指定身体部位对应的各体素在所述第二原始图像中的位置，作为各第二原始体素标签；
从各第二原始体素标签中，随机采样得到各第二体素标签，并确定各第二体素标签对应的体素的体素值的正态分布，作为第二正态分布；
通过随机采样，生成符合所述第二正态分布的各第二样本体素，根据符合所述第二正态分布的各第二样本体素得到第二样本图像中患者的指定身体部位对应的图像，具体包括：
针对每个第二原始体素标签，通过随机采样，生成符合所述第二正态分布的体素，作为该第二原始体素标签对应的第二样本体素；
根据符合所述第二正态分布的各第二样本体素得到第二样本图像中患者的指定身体部位对应的图像。
可选地，所述方法还包括：
确定所述第一原始图像中包含的除各第一体素标签对应的体素之外的其他体素的体素值的正态分布，作为第三正态分布，通过随机采样，生成符合所述第三正态分布的各第一样本体素，根据符合所述第三正态分布的各第一样本体素得到第一样本图像中除患者的指定身体部位对应的图像之外的其他图像；
以及，确定所述第二原始图像中包含的除各第二体素标签对应的体素之外的其他体素的体素值的正态分布，作为第四正态分布，通过随机采样，生成符合所述第四正态分布的各第二样本体素，根据符合所述第四正态分布的各第二样本体素得到第二样本图像中除患者的指定身体部位对应的图像之外的其他图像。
可选地，根据所述各第一样本体素得到第一样本图像，具体包括：
根据所述各第一样本体素得到第一初始样本图像；
通过预设的高斯核函数对所述第一初始样本图像进行卷积操作，得到处理后的第一初始样本图像，作为第一样本图像；
根据所述各第二样本体素生成第二样本图像，具体包括：
根据所述各第二样本体素得到第二初始样本图像；
通过预设的高斯核函数对所述第二初始样本图像进行卷积操作，得到处理后的第二初始样本图像，作为第二样本图像。
可选地，根据所述各第一样本体素得到第一样本图像，具体包括：
根据所述各第一样本体素得到第一初始样本图像；
对所述第一初始样本图像进行图像处理，得到处理后的第一初始样本图像，作为第一样本图像，所述图像处理包括：增强对比度处理、添加伪影处理中的至少一种；
根据所述各第二样本体素生成第二样本图像，具体包括：
根据所述各第二样本体素得到第二初始样本图像；
对所述第二初始样本图像进行图像处理，得到处理后的第二初始样本图像，作为第二样本图像。
可选地，以最小化所述形变后第一样本图像和所述第二样本图像之间的偏差为训练目标，对所述配准模型进行训练，具体包括：
针对所述形变后第一样本图像中的每个体素，根据该体素和该体素在所述第二样本图像中位置对应的体素之间的差异度，确定该体素对应的配准损失，所述该体素和该体素在所述第二样本图像中位置对应的体素之间的差异度越大，该体素对应的配准损失越大；
根据所述形变后第一样本图像中的每个体素对应的配准损失，确定总配准损失；
以最小化所述总配准损失为优化目标，对所述配准模型进行训练。
可选地，根据所述形变后第一样本图像中的每个体素对应的配准损失，确定总配准损失，具体包括：
根据预先确定的所述形变后第一样本图像中的每个体素对应的置信度，对所述形变后第一样本图像中的每个体素对应的配准损失进行加权融合，得到总配准损失。
可选地，确定的所述形变后第一样本图像中的每个体素对应的置信度，具体包括：
将所述第一样本图像和所述第二样本图像输入到预先训练的预测模型中，以通过所述预测模型针对所述第一样本图像中的每个体素，确定该体素和该体素在所述第二样本图像中对应的体素之间的相似度，作为该体素对应的置信度。
可选地，训练所述预测模型，具体包括：
获取历史第一样本图像和历史第二样本图像；
将所述历史第一样本图像和所述历史第二样本图像输入到预测模型中，以通过所述预测模型，针对所述历史第一样本图像所包含的每个体素，确定该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度；
以最大化通过所述预测模型确定出的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度和预先确定的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度标签之间的相似度为训练目标，对所述预测模型的特征提取层进行训练。
可选地，所述预测模型包括：特征提取层、决策层；
训练所述预测模型，具体包括：
获取历史第一样本图像和历史第二样本图像；
将所述历史第一样本图像和所述历史第二样本图像输入到预测模型中，以通过所述预测模型的所述特征提取层，得到所述历史第一样本图像对应的第一特征向量和所述历史第二样本图像对应的第二特征向量；
通过所述预测模型的决策层，根据所述第一特征向量和所述第二特征向量，针对所述历史第一样本图像所包含的每个体素，确定该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度；
根据第一特征向量和所述第二特征向量之间的差异度，确定第一损失；
根据通过所述预测模型的决策层确定出的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度和预先确定的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度标签之间的相似度，确定第二损失；
以最小化所述第一损失和所述第二损失，对所述预测模型的特征提取层进行训练。
可选地，根据第一特征向量和所述第二特征向量之间的相似度，确定第一损失，具体包括：
针对所述第一样本图像中包含的每个体素，确定该体素在所述第一样本图像中的位置，并确定在所述第二样本图像中位于所述位置的体素，作为该体素的相对体素；
判断该体素与该体素的相对体素是否均为患者的指定身体部位对应的体素，或者该体素与该体素的相对体素是否均为除患者的指定身体部位对应的体素之外的其他体素；
若是，则确定该体素为第一目标体素；
若否，则确定该体素为第二目标体素；
根据所述第一特征向量中对应于所述第一目标体素的特征信息和所述第二特征向量中包含的对应于所述第一目标体素的特征信息之间的差异度，确定第一子损失；
根据所述第一特征向量中对应于所述第二目标体素的特征信息和所述第二特征向量中对应于所述第二目标体素的特征信息之间的差异度，确定第二子损失；
根据所述第一子损失和所述第二子损失，确定所述第一损失。
可选地，根据所述第一子损失和所述第二子损失，确定所述第一损失，具体包括：
判断所述第一特征向量中对应于所述第二目标体素的特征信息和所述第二特征向量中对应于所述第二目标体素的特征信息之间的差异度是否超过预设阈值；
若是，则根据所述第一子损失，确定所述第一损失；
若否，则根据所述第一子损失和所述第二子损失，确定所述第一损失。
本说明书提供了一种图像配准方法，包括：
获取第一待配准图像和第二待配准图像；
将所述第一待配准图像和所述第二待配准图像输入到预先训练的配准模型中，以通过所述配准模型得到所述第一待配准图像对应的形变场，所述配准模型是通过上述模型训练方法训练得到；
根据所述第一待配准图像对应的形变场，对所述第一待配准图像进行形变，得到形变后第一待配准图像，并通过所述形变后第一待配准图像和第二待配准图像进行配准。
本说明书提供了一种模型训练装置，包括：
获取模块，用于获取第一原始图像和第二原始图像，所述第一原始图像和第二原始图像为历史采集到的患者的计算机断层扫描CT图像；
生成模块，用于通过随机采样的方式从所述第一原始图像中采样得到符合第一正态分布的各第一样本体素，并根据所述各第一样本体素得到第一样本图像，以及，通过随机采样的方式从所述第二原始图像中采样得到符合第二正态分布的各第二样本体素，并根据所述各第二样本体素生成第二样本图像，所述第一正态分布用于表示所述第一原始图像中包含的各体素的体素值分布，所述第二正态分布用于表示所述第二原始图像中包含的各体素的体素值分布；
配准模块，用于将所述第一样本图像和所述第二样本图像输入到配准模型中，以通过所述配准模型得到所述第一样本图像对应的形变场，所述形变场为将所述第一样本图像进行转换为所述第二样本图像所需的形变参数；
执行模块，用于根据所述形变场对所述第一样本图像进行形变，得到形变后第一样本图像；
训练模块，用于以最小化所述形变后第一样本图像和所述第二样本图像之间的偏差为训练目标，对所述配准模型进行训练。
本说明书提供了一种模型训练装置，包括：
图像获取模块，用于获取第一待配准图像和第二待配准图像；
形变场确定模块，用于将所述第一待配准图像和所述第二待配准图像输入到预先训练的配准模型中，以通过所述配准模型得到所述第一待配准图像对应的形变场，所述配准模型是通过上述模型训练方法训练得到；
任务执行模块，用于根据所述第一待配准图像对应的形变场，对所述第一待配准图像进行形变，得到形变后第一待配准图像，并通过所述形变后第一待配准图像和第二待配准图像进行配准。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练、图像配准方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练、图像配准方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的模型训练方法，获取第一原始图像和第二原始图像，第一原始图像和第二原始图像为历史采集到的患者的计算机断层扫描CT图像，通过随机采样的方式从第一原始图像中采样得到符合第一正态分布的各第一样本体素，并根据各第一样本体素得到第一样本图像，以及，通过随机采样的方式从第二原始图像中采样得到符合第二正态分布的各第二样本体素，并根据各第二样本体素生成第二样本图像，其中，第一正态分布用于表示第一原始图像中包含的各体素的体素值分布，第二正态分布用于表示所述第二原始图像中包含的各体素的体素值分布，将第一样本图像和第二样本图像输入到配准模型中，以通过配准模型得到第一样本图像对应的形变场，形变场为将第一样本图像进行转换为第二样本图像所需的形变参数，根据形变场对第一样本图像进行形变，得到形变后第一样本图像，以最小化形变后第一样本图像和第二样本图像之间的偏差为训练目标，对配准模型进行训练。
从上述方法中可以看出，可以基于第一原始图像和第二原始图像中包含的每个体素的正态分布，通过随机采样的方式生成用于训练配准模型的样本图像，并且由于生成的样本图像中包含的每个体素在采样过程中的值是随机的，所以生成的样本图像的对比度不同，但是，由于生成的样本图像中包含的每个体素在采样过程中是基于真实图像的正态分布生成的，所以生成的样本图像中包含的体素的分布仍与真实图像中包含的体素的分布相似，从而可以提升用于训练配准模型的训练样的多样性，进而可以增强配准模型的通用性以及泛化性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种模型训练方法的流程示意图；
图2为本说明书提供的预测模型的结构示意图；
图3为本说明书提供的配准模型的结构示意图；
图4为本说明书中提供的一种图像配准方法的流程示意图；
图5为本说明书提供的一种模型训练装置的示意图；
图6为本说明书提供的一种图像配准装置的示意图；
图7为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种模型训练方法的流程示意图，包括以下步骤：
S100：获取第一原始图像和第二原始图像，所述第一原始图像和第二原始图像为历史采集到的患者的计算机断层扫描CT图像。
在医学图像处理领域中，由于单个医学图像所包含的患者的患病部位对应的图像信息可能不够全面，所以通常使用配准模型，对多个医学图像进行配准，进而可以融合多个医学图像中包含的患者的患病部位对应的图像信息来辅助医生进行医学诊疗任务的执行，所以，配准模型的准确率就显得尤为重要。
基于此，在本说明书中部署有配准模型的服务器可以获取历史配准的患者的医学图像，分别作为第一原始图像和第二原始图像，并基于第一原始图像和第二原始图像，对配准模型进行训练，其中，这里的医学图像可以为诸如：计算机断层扫描（ComputedTomography，CT）图像、磁共振图像（Magnetic Resonance Imaging，MRI）等，这里以医学图像为CT图像为例，对本说明书中提供的模型训练方法进行详细说明。
在本说明书中，用于实现模型训练方法的执行主体，可以是指服务器等设置于业务平台的指定设备，也可以是指诸如台式电脑、笔记本电脑、手机等指定设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的模型训练方法进行说明。
S102：通过随机采样的方式从所述第一原始图像中采样得到符合第一正态分布的各第一样本体素，并根据所述各第一样本体素得到第一样本图像，以及，通过随机采样的方式从所述第二原始图像中采样得到符合第二正态分布的各第二样本体素，并根据所述各第二样本体素生成第二样本图像，所述第一正态分布用于表示所述第一原始图像中包含的各体素的体素值分布，所述第二正态分布用于表示所述第二原始图像中包含的各体素的体素值分布。
服务器在获取到第一原始图像和第二原始图像之后，可以确定出第一原始图像中包含的各体素的体素值对应的正态分布，作为第一正态分布，以及确定出第二原始图像中包含的各体素的体素值对应的正态分布，作为第二正态分布，并可以通过随机采样的方式从第一原始图像中采样得到符合第一正态分布的各第一样本体素，进而可以根据各第一样本体素得到第一样本图像，以及，可以通过随机采样的方式，从第二原始图像中采样得到符合第二正态分布的各第二样本体素，进而可以根据各第二样本体素生成第二样本图像。
需要说明的是，由于患者的指定身体部位的密度和患者的其他身体部位对应的密度不同，因此，在采集到的患者的CT图像中，患者的指定身体部位对应的体素的体素值的正态分布和患者的其他身体部位对应的体素的体素值的正态分布也不同，所以，服务器在基于历史采集到的患者的CT图像生成样本图像时，可以分别针对患者的指定身体部位对应的体素进行随机采样。
上述内容中，患者的指定身体部位可以是指诸如：心脏、肝脏、肺等人体器官部位。
具体地，服务器可以确定第一原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第一正态分布，通过随机采样，生成符合第一正态分布的各第一样本体素，根据符合第一正态分布的各第一样本体素得到第一样本图像中患者的指定身体部位对应的图像。
以及，服务器可以确定第二原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第二正态分布，通过随机采样，生成符合第二正态分布的各第二样本体素，根据符合第二正态分布的各第二样本体素得到第二样本图像中患者的指定身体部位对应的图像。
进一步地，服务器可以确定第一原始图像中包含的除各第一体素标签对应的体素之外的其他体素的体素值的正态分布，作为第三正态分布，通过随机采样，生成符合第三正态分布的各第一样本体素，根据符合第三正态分布的各第一样本体素得到第一样本图像中除患者的指定身体部位对应的图像之外的其他图像。
以及，服务器可以确定第二原始图像中包含的除各第二体素标签对应的体素之外的其他体素的体素值的正态分布，作为第四正态分布，通过随机采样，生成符合第四正态分布的各第二样本体素，根据符合第四正态分布的各第二样本体素得到第二样本图像中除患者的指定身体部位对应的图像之外的其他图像。
值得说明的是，上述内容中，服务器通过随机采样的方式从第一原始图像中采样得到各第一样本体素或者从第二原始图像中采样得到各第二样本体素的方式可以是根据第一原始图像或第二原始图像中包含的各体素的体素值的正态分布，通过随机采样的方式确定需要生成的第一样本图像或第二样本图像中包含的每个体素对应的体素值，并根据确定出的需要生成的第一样本图像或第二样本图像中包含的每个体素对应的体素值，生成各第一样本体素或各第二样本体素，从而得到第一样本图像或第二样本图像。
从上述内容中可以看出，由于通过上述方法生成的患者的第一样本图像或第二样本图像中包含的每个第一样本体素或每个第二样本体素对应的体素值是基于预先确定的正态分布，通过随机采样生成的，因此，服务器可以获取到对比度不同的各第一样本图像和第二样本图像。
而在实际应用场景中，历史采集的不同患者的CT图像除了对比度不同外，患者的身体中包含的各身体部位的位置分布、尺寸、形状等细节也存在一定的差异。
基于此，服务器可以确定第一原始图像中包含的患者的指定身体部位对应的各体素在所第一原始图像中的位置，作为各第一原始体素标签，从各第一原始体素标签中，随机采样得到各第一体素标签，以及，确定第二原始图像中包含的患者的指定身体部位对应的各体素在所第二原始图像中的位置，作为各第二原始体素标签，从各第二原始体素标签中，随机采样得到各第二体素标签。
上述的从各第一原始体素标签中，随机采样得到各第一体素标签的方法，以及，从各第二原始体素标签中，随机采样得到各第二体素标签的方法可以是通过最邻近插值法通过对第一原始体素标签和第二原始体素标签进行随机平滑微分同胚变换得到各第一体素标签和各第二体素标签的。
进一步地，服务器可以针对每个第一原始体素标签，通过随机采样，生成符合第一正态分布的体素，作为该第一原始体素标签对应的第一样本体素，根据符合第一正态分布的各第一样本体素得到第一样本图像中患者的指定身体部位对应的图像。
以及，可以针对每个第二原始体素标签，通过随机采样，生成符合第二正态分布的体素，作为该第二原始体素标签对应的第二样本体素，根据符合第二正态分布的各第二样本体素得到第二样本图像中患者的指定身体部位对应的图像。
需要说明的是，上述的确定各第一样本体素标签，实际上是在确定在第一样本图像中哪些位置的体素为患者的指定身体部位对应的体素，因此，还需要具体生成该位置上的体素，也就是生成符合第一正态分布的体素，作为该第一原始体素标签对应的第一样本体素。
除此之外，服务器还可以确定第一原始图像中包含的除患者的指定身体部位之外的其他部位对应的各体素在第一原始图像中的位置，作为各第三原始体素标签，从各第三原始体素标签中，随机采样得到各第三体素标签，以及，确定第二原始图像中包含的除患者的指定身体部位对应的各体素在第二原始图像中的位置，作为各第四原始体素标签，从各第四原始体素标签中，随机采样得到各第四体素标签。
服务器可以针对每个第三原始体素标签，通过随机采样，生成符合第三正态分布的体素，作为该第三原始体素标签对应的第一样本体素，根据符合第三正态分布的各第一样本体素得到第一样本图像中除患者的指定身体部位对应的图像之外的其他图像。
以及，可以针对每个第四原始体素标签，通过随机采样，生成符合第四正态分布的体素，作为该第四原始体素标签对应的第二样本体素，根据符合第四正态分布的各第二样本体素得到第二样本图像中除患者的指定身体部位对应的图像之外的其他图像。
值得说明的是，上述的第一原始体素标签和第三原始体素标签表征第一原始图像中包含的患者的指定身体部位对应的体素的位置和除患者的指定身体部位之外的其他身体部位对应的体素的位置的方法可以是通过1对患者的指定身体部位对应的体素的位置进行标记，通过0对第一原始图像中除患者的指定身体部位对应的体素之外的其他体素的位置进行标记，进而可以通过0和1的形式标记出第一原始图像中包含的患者的指定身体部位对应的区域和其他身体部位对应的区域，这里的1即为第一原始体素标签，这里的0即为第三原始体素标签，通过第一原始体素标签和第三原始体素标签共同组成了第一原始图像对应的标签图像，依次类推，可以通过第二原始体素标签和第四原始体素标签共同组成了第二原始图像对应的标签图像。
需要说明的是，由于各第一体素标签和各第二体素标签是通过从各第一原始体素标签和各第二原始体素标签中进行随机采样得到的，可以理解为，各第一体素标签是从各第一原始体素标签中抽取出至少部分第一原始体素标签得到的，同理，各第二体素标签是从各第二原始体素标签中抽取出至少部分第二原始体素标签得到的，各第三体素标签是从各第三原始体素标签中抽取出至少部分第三原始体素标签得到的，各第四体素标签是从各第四原始体素标签中抽取出至少部分第四原始体素标签得到的，因此，根据各第一样本体素得到第一样本图像的分辨率为第一原始图像的，根据各第二样本体素生成第二样本图像的分辨率为第二原始图像的/>，这里的n是根据实际需求确定的。
另外，在实际应用场景中，由于真实获取的患者的CT图像中往往会存在部分容积效应影响，所以，为了使生成的第一样本图像和第二样本图像更加接近真实采集的患者的CT图像，服务器还可以将根据各第一样本体素得到图像，作为第一初始样本图像，并通过预设的高斯核函数对第一初始样本图像进行卷积操作，以模拟部分容积效应的影响，从而得到处理后的第一初始样本图像，作为第一样本图像。以及，将根据各第二样本体素得到图像，作为第二初始样本图像，通过预设的高斯核函数对第二初始样本图像进行卷积操作，得到处理后的第二初始样本图像，作为第二样本图像。
需要说明的是，部分容积效应是由于CT切片图像中的像素过大或者CT切片图像的层厚比较厚，而导致根据CT切片图像得到的CT图像中的体素内信号平均，使得某个体素的信号表现为多种组织的信号强度平均值，这样不能完全真实的反映体素内某些小组中的信号强度，对于小于层厚的病变，其CT值受层厚内其它组织的影响，所测出的CT值不能代表病变的真正的CT值：如在高密度组织中较小的低密度病灶，其CT值偏高，反之，在低密度组织中的较小的高密度病灶，其CT值偏低，这种现象称为部分容积效应。
另外，由于在真实采集的患者的CT图像的过程中，患者的身体可能会发生移动，而患者身体的移动，会导致真实采集的患者的CT图像中存在运行伪影，基于此，服务器还可以对生成的第一样本图像和第二样本图像进行添加伪影处理。
具体地，服务器可以独立地从正态分布中进行每个体素值的采样，得到具有空间变化的三维矩阵B，这里的三维矩阵B的分辨率为第一样本图像或第二样本图像的1/40，其中/>为从连续分布U中采样获得的值，然后再将B上采样到与第一样本图像或第二样本图像一样的尺寸，并获得第一样本图像或第二样本图像中的每个体素的指数以产生非负值，然后与三维矩阵B进行逐元素相乘，得到不同对比度的第一样本图像或第二样本图像，其公式如下所示：
其中，M为第一样本图像或第二样本图像中的全部体素值，/>表示体素乘法，/>表示/>中第/>个体素的值，/>表示计算得到的/>中第/>个体素的值。
除此之外，为了进一步地增加生成的第一样本图像和第二样本图像的对比度，服务器还可以对生成的第一样本图像和第二样本图像进行增强对比度处理。
具体地，服务器可以对第一样本图像或第二样本图像中包含的每个体素进行归一化处理，得到归一化图像，其中，归一化图像中的每个体素值映射到[0,1]之间，之后对归一化图像采取全局取幂，得到最终的第一样本图像或第二样本图像。
上述内容中， 归一化图像和第一样本图像之间或归一化图像和第二样本图像之间满足关系：，其中/>遵循采样规则/>，这里的为第一样本图像或第二样本图像，/>为归一化图像。
S104：将所述第一样本图像和所述第二样本图像输入到配准模型中，以通过所述配准模型得到所述第一样本图像对应的形变场，所述形变场为将所述第一样本图像进行转换为所述第二样本图像所需的形变参数。
进一步地，服务器可以将第一样本图像和第二样本图像输入到配准模型中，以通过配准模型得到第一样本图像对应的形变场，这里的形变场为将第一样本图像进行转换为第二样本图像所需的形变参数。
S106：根据所述形变场对所述第一样本图像进行形变，得到形变后第一样本图像。
S108：以最小化所述形变后第一样本图像和所述第二样本图像之间的偏差为训练目标，对所述配准模型进行训练。
服务器可以根据形变场对第一样本图像进行形变，得到形变后第一样本图像，并以最小化形变后第一样本图像和第二样本图像之间的偏差为训练目标，对配准模型进行训练。
具体地，服务器可以针对形变后第一样本图像中的每个体素，根据该体素和该体素在第二样本图像中位置对应的体素之间的差异度，确定该体素对应的配准损失，其中，该体素和该体素在第二样本图像中位置对应的体素之间的差异度越大，该体素对应的配准损失越大，根据形变后第一样本图像中的每个体素对应的配准损失，确定总配准损失，以最小化总配准损失为优化目标，对配准模型进行训练。
需要说明的是，由于在对第一样本图像和第二样本图像进行配准时，主要是针对第一样本图像和第二样本图像中患者的指定身体部位对应的图像区域进行配准，因此，为了提升图像配准效率，服务器还可以根据形变场对第一样本图像对应的各第一体素标签组成的第一标签图像进行形变，得到形变后第一样本图像，并以最小化形变后第一标签图像和第二样本图像对应的各第二体素标签组成的第二标签图像之间的偏差为训练目标，对所述配准模型进行训练，具体可以参考如下公式。
上述公式中，为配准模型输出的形变场，/>为输入到配准模型中的两个样本图像，/>和/>分别表示体素乘法和加法。
其中，服务器确定总配准损失的方法可以为，根据预先确定的形变后第一样本图像中的每个体素对应的置信度，对形变后第一样本图像中的每个体素对应的配准损失进行加权融合，得到总配准损失，这里的置信度可以是通过预设的预测模型得到，具体可以参考如下公式。
上述公式中，为加权后的配准损失，/>为形变后第一样本图像中的每个体素对应的置信度组成的置信度图。
具体地，服务器可以将第一样本图像和第二样本图像输入到预先训练的预测模型中，以通过预测模型针对第一样本图像中的每个体素，确定该体素和该体素在第二样本图像中对应的体素之间的相似度，作为该体素对应的置信度。
需要说明的是，预测模型输出的结果为第一样本图像中的每个体素和每个体素在第二样本图像中对应的体素之间的相似度组成的相似度集合，这里的相似度集合中的各相似度组成与第一样本图像以及第二样本图像尺寸一致的相似度图。
其中，预测模型的训练方法可以为获取历史第一样本图像和历史第二样本图像，将历史第一样本图像和历史第二样本图像输入到预测模型中，以通过预测模型，针对历史第一样本图像所包含的每个体素，确定该体素和该体素在历史第二样本图像中对应的体素之间的相似度。
以最大化通过预测模型确定出的该体素和该体素在历史第二样本图像中对应的体素之间的相似度和预先确定的该体素和该体素在历史第二样本图像中对应的体素之间的相似度标签之间的相似度为训练目标，对预测模型的特征提取层进行训练，具体如图2所示。
图2为本说明书中提供的预测模型的结构示意图。
从图2中可以看出，预测模型可以包含特征提取层、决策层，其中，特征提取层可以为孪生神经网络（Siamese Network）组成，Siamese网络包含有两个子网络，并且这两个子网络为两个具有相同架构、参数和权重的相似子网络，两个子网络间始终保持参数共享。
基于此，服务器可以获取历史第一样本图像和历史第二样本图像，将历史第一样本图像和历史第二样本图像分别输入到预测模型的特征提取层的两个子网络中，以通过预测模型的特征提取层，得到历史第一样本图像对应的第一特征向量和历史第二样本图像对应的第二特征向量。
进一步地，通过预测模型的决策层，根据第一特征向量和第二特征向量，针对历史第一样本图像所包含的每个体素，确定该体素和该体素在历史第二样本图像中对应的体素之间的相似度。
根据第一特征向量和第二特征向量之间的差异度，确定第一损失，具体可以参考如下公式：
上述公式中，N为预测模型的特征提取层输出的各第一特征向量的总数，为第i个第一特征向量，/>为第i个第二特征向量。
需要说明的是，由于预测模型的特征提取层在提取第一特征向量和第二特征向量时，可以采用多个不同的通道（即，采用不同的过滤器进行特征提取，其中，针对每个过滤器，该过滤器会使用该过滤器所对应的卷积核对输入的样本图像进行特征提取）进行特征提取，从而得到多个第一特征向量和多个第二特征向量。
具体地，服务器可以根据第一特征向量中包含的患者的指定身体部位对应的各体素的特征信息和第二特征向量中包含的患者的指定身体部位对应的各体素的特征信息之间的差异度，确定第一子损失，并根据第一特征向量中包含的除患者的指定身体部位对应的各体素之外的其他体素的特征信息和第二特征向量中包含的除患者的指定身体部位对应的各体素之外的其他体素的特征信息之间的差异度，确定第二子损失，进而可以根据第一子损失和第二子损失，确定第一损失。
另外，通过上述方法生成第一样本图像和第二样本图像时，第一样本图像中对应于患者的指定身体部位的体素的位置与在第二样本图像中对应于患者的指定身体部位的体素的位置可能不同，例如：假设在第一样本图像中位置为（1，1，1）的体素为属于患者的指定身体部位的边缘区域对应的体素，则该体素在第二样本图像中可能并不属于患者的指定身体部位对应的体素，从而使得这部分体素对应的差异度较大，不具有参考价值，从而降低预测模型的训练效果。
基于此，服务器可以针对第一样本图像中包含的每个体素，确定该体素在第一样本图像中的位置，并确定在第二样本图像中位于位置的体素，作为该体素的相对体素，判断该体素与该体素的相对体素是否均为患者的指定身体部位对应的体素，或者该体素与该体素的相对体素是否均为除患者的指定身体部位对应的体素之外的其他体素，若是，则确定该体素为第一目标体素，若否，则确定该体素为第二目标体素，根据第一特征向量中对应于第一目标体素的特征信息和第二特征向量中包含的对应于第一目标体素的特征信息之间的差异度，确定第一子损失，根据第一特征向量中对应于第二目标体素的特征信息和第二特征向量中对应于第二目标体素的特征信息之间的差异度，确定第二子损失。
进一步地，服务器可以判断第一特征向量中对应于第二目标体素的特征信息和第二特征向量中对应于第二目标体素的特征信息之间的差异度是否超过预设阈值，若是，则根据第一子损失，确定第一损失，若否，则根据第一子损失和所述第二子损失，确定第一损失，具体可以看出如下公式：
上述公式中，表示计算/>的均值，mar为预设阈值，/>为第一目标体素在第一样本图像中的位置对应的位置矩阵经one-hot编码后的特征表示，/>为第二目标体素在第一样本图像中的位置对应的位置矩阵经one-hot编码后的特征表示。
进一步地，服务器还可以根据通过预测模型的决策层确定出的该体素和该体素在历史第二样本图像中对应的体素之间的相似度和预先确定的该体素和该体素在历史第二样本图像中对应的体素之间的相似度标签之间的相似度，确定第二损失，具体可以参考如下公式：
上述公式中，表示第一样本图像和第二样本图像中的体素数量，/>表示通过Siamese网络输出的置信度图，/>为第一目标体素在第一样本图像中的位置对应的位置矩阵经one-hot编码后的特征表示，/>为第二目标体素在第一样本图像中的位置对应的位置矩阵经one-hot编码后的特征表示。
从上述公式中可以看出，可以针对历史第一样本图像中包含的每个体素，根据根据和/>确定该体素和该体素在历史第二样本图像中对应的体素之间的相似度标签，根据确定出的相似度标签，确定第二损失。
服务器可以以最小化第一损失和第二损失，对预测模型的特征提取层进行训练。
进一步地，服务器可以根据通过预测模型确定的形变后第一样本图像中的每个体素对应的置信度，对形变后第一样本图像中的每个体素对应的配准损失进行加权融合，得到总配准损失，具体可以参考如下公式：
上述公式中，即为通过预测模型确定出的置信度图，/>为约束平滑变形的正则化项。
需要说明的是，上述的配准模型的结构可以分为编码器和解码器两个部分。编码器包括4个块，都由步长为2的卷积和参数为0.2的LeakyReLU 层组成，每个块的输出分辨率是其输入的1/2。解码器具有3个块，每个块包括一个步长为1的卷积、一个上采样层和一个到相应编码器块的跳过连接。通过解码器后还需在输入图像的1/2分辨率下通过3个全连接层，将最后一次全连接层卷积的结果通过上采样获得与输入图像对分辨率一致的扭曲形变场。所有的卷积都使用/>的卷积核，默认网络宽度n=256，最后一个卷积层的n=3，具体如图3所示。
图3为本说明书中提供的配准模型的结构示意图。
从上述内容中可以看出，服务器可以基于第一原始图像和第二原始图像中包含的每个体素的正态分布，通过随机采样的方式生成用于训练配准模型的样本图像，并且由于生成的样本图像中包含的每个体素在采样过程中的值是随机的，所以生成的样本图像的对比度不同，但是，由于生成的样本图像中包含的每个体素在采样过程中是基于真实图像的正态分布生成的，所以生成的样本图像中包含的体素的分布仍与真实图像中包含的体素的分布相似，从而可以提升用于训练配准模型的训练样的多样性，进而可以增强配准模型的通用性以及泛化性。
为了进一步地对上述内容进行说明，以下针对通过上述方法训练得到的配准模型进行图像配准的方法进行详细说明，具体如图4所示。
图4为本说明书中提供的一种图像配准方法的流程示意图，包括以下步骤：
S401：获取第一待配准图像和第二待配准图像。
S402：将所述第一待配准图像和所述第二待配准图像输入到预先训练的配准模型中，以通过所述配准模型得到所述第一待配准图像对应的形变场，所述配准模型是通过上述模型训练方法训练得到。
S403：根据所述第一待配准图像对应的形变场，对所述第一待配准图像进行形变，得到形变后第一待配准图像，并通过所述形变后第一待配准图像和第二待配准图像进行配准。
用户在需要进行图像配准时，可以将需要进行配准的患者的医学图像作为第一待配准图像和第二待配准图像发送给服务器。
服务器在获取到第一待配准图像和第二待配准图像后，可以将第一待配准图像和第二待配准图像输入到预先训练的配准模型中，以通过配准模型得到第一待配准图像对应的形变场，这里的配准模型是通过上述模型训练方法训练得到。
进而可以根据第一待配准图像对应的形变场，对第一待配准图像进行形变，得到形变后第一待配准图像，并通过形变后第一待配准图像和第二待配准图像进行配准。
从上述内容中可以看出，当需要对采集到的新的患者的医学图像进行配准时，可以通过上述模型训练方法训练得到的配准模型对医学图像进行配准，从而可以提升图像配准的准确性。
以上为本说明书的一个或多个实施例提供的模型训练及图像配准方法，基于同样的思路，本说明书还提供了相应的模型训练、图像配准装置，如图5、图6所示。
图5为本说明书提供的一种模型训练装置的示意图，包括：
获取模块501，用于获取第一原始图像和第二原始图像，所述第一原始图像和第二原始图像为历史采集到的患者的计算机断层扫描CT图像；
生成模块502，用于通过随机采样生成符合所述第一原始图像中包含的各体素的体素值对应的正态分布的各第一样本体素，并根据所述各第一样本体素得到第一样本图像，以及，通过随机采样生成符合所述第二原始图像中包含的各体素的体素值对应的正态分布的各第二样本体素，并根据所述各第二样本体素生成第二样本图像；
配准模块503，用于将所述第一样本图像和所述第二样本图像输入到配准模型中，以通过所述配准模型得到所述第一样本图像对应的形变场，所述形变场为将所述第一样本图像进行转换为所述第二样本图像所需的形变参数；
执行模块504，用于根据所述形变场对所述第一样本图像进行形变，得到形变后第一样本图像；
训练模块505，用于以最小化所述形变后第一样本图像和所述第二样本图像之间的偏差为训练目标，对所述配准模型进行训练。
可选地，所述生成模块502具体用于，确定所述第一原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第一正态分布，通过随机采样，生成符合所述第一正态分布的各第一样本体素，根据符合所述第一正态分布的各第一样本体素得到第一样本图像中患者的指定身体部位对应的图像；以及，确定所述第二原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第二正态分布，通过随机采样，生成符合所述第二正态分布的各第二样本体素，根据符合所述第二正态分布的各第二样本体素得到第二样本图像中患者的指定身体部位对应的图像。
可选地，所述生成模块502具体用于，确定所述第一原始图像中包含的患者的指定身体部位对应的各体素在所述第一原始图像中的位置，作为各第一原始体素标签；从各第一原始体素标签中，随机采样得到各第一体素标签，并确定各第一体素标签对应的体素的体素值的正态分布，作为第一正态分布；针对每个第一原始体素标签，通过随机采样，生成符合所述第一正态分布的体素，作为该第一原始体素标签对应的第一样本体素；根据符合所述第一正态分布的各第一样本体素得到第一样本图像中患者的指定身体部位对应的图像；确定所述第二原始图像中包含的患者的指定身体部位对应的各体素在所述第二原始图像中的位置，作为各第二原始体素标签；从各第二原始体素标签中，随机采样得到各第二体素标签，并确定各第二体素标签对应的体素的体素值的正态分布，作为第二正态分布；针对每个第二原始体素标签，通过随机采样，生成符合所述第二正态分布的体素，作为该第二原始体素标签对应的第二样本体素；根据符合所述第二正态分布的各第二样本体素得到第二样本图像中患者的指定身体部位对应的图像。
可选地，所述生成模块502具体用于，确定所述第一原始图像中包含的除各第一体素标签对应的体素之外的其他体素的体素值的正态分布，作为第三正态分布，通过随机采样，生成符合所述第三正态分布的各第一样本体素，根据符合所述第三正态分布的各第一样本体素得到第一样本图像中除患者的指定身体部位对应的图像之外的其他图像；以及，确定所述第二原始图像中包含的除各第二体素标签对应的体素之外的其他体素的体素值的正态分布，作为第四正态分布，通过随机采样，生成符合所述第四正态分布的各第二样本体素，根据符合所述第四正态分布的各第二样本体素得到第二样本图像中除患者的指定身体部位对应的图像之外的其他图像。
可选地，所述生成模块502具体用于，根据所述各第一样本体素得到第一初始样本图像；通过预设的高斯核函数对所述第一初始样本图像进行卷积操作，得到处理后的第一初始样本图像，作为第一样本图像；根据所述各第二样本体素得到第二初始样本图像；通过预设的高斯核函数对所述第二初始样本图像进行卷积操作，得到处理后的第二初始样本图像，作为第二样本图像。
可选地，所述生成模块502具体用于，根据所述各第一样本体素得到第一初始样本图像；对所述第一初始样本图像进行图像处理，得到处理后的第一初始样本图像，作为第一样本图像，所述图像处理包括：增强对比度处理、添加伪影处理中的至少一种；根据所述各第二样本体素得到第二初始样本图像；对所述第二初始样本图像进行图像处理，得到处理后的第二初始样本图像，作为第二样本图像。
可选地，所述训练模块505具体用于，针对所述形变后第一样本图像中的每个体素，根据该体素和该体素在所述第二样本图像中位置对应的体素之间的差异度，确定该体素对应的配准损失，所述该体素和该体素在所述第二样本图像中位置对应的体素之间的差异度越大，该体素对应的配准损失越大；根据所述形变后第一样本图像中的每个体素对应的配准损失，确定总配准损失；以最小化所述总配准损失为优化目标，对所述配准模型进行训练。
可选地，所述训练模块505具体用于，根据预先确定的所述形变后第一样本图像中的每个体素对应的置信度，对所述形变后第一样本图像中的每个体素对应的配准损失进行加权融合，得到总配准损失。
可选地，所述训练模块505具体用于，将所述第一样本图像和所述第二样本图像输入到预先训练的预测模型中，以通过所述预测模型针对所述第一样本图像中的每个体素，确定该体素和该体素在所述第二样本图像中对应的体素之间的相似度，作为该体素对应的置信度。
可选地，所述训练模块505具体用于，获取历史第一样本图像和历史第二样本图像；将所述历史第一样本图像和所述历史第二样本图像输入到预测模型中，以通过所述预测模型，针对所述历史第一样本图像所包含的每个体素，确定该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度；以最大化通过所述预测模型确定出的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度和预先确定的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度标签之间的相似度为训练目标，对所述预测模型的特征提取层进行训练。
可选地，所述训练模块505具体用于，所述预测模型包括：特征提取层、决策层；获取历史第一样本图像和历史第二样本图像；将所述历史第一样本图像和所述历史第二样本图像输入到预测模型中，以通过所述预测模型的所述特征提取层，得到所述历史第一样本图像对应的第一特征向量和所述历史第二样本图像对应的第二特征向量；通过所述预测模型的决策层，根据所述第一特征向量和所述第二特征向量，针对所述历史第一样本图像所包含的每个体素，确定该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度；根据第一特征向量和所述第二特征向量之间的差异度，确定第一损失；根据通过所述预测模型的决策层确定出的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度和预先确定的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度标签之间的相似度，确定第二损失；以最小化所述第一损失和所述第二损失，对所述预测模型的特征提取层进行训练。
可选地，所述训练模块505具体用于，针对所述第一样本图像中包含的每个体素，确定该体素在所述第一样本图像中的位置，并确定在所述第二样本图像中位于所述位置的体素，作为该体素的相对体素；判断该体素与该体素的相对体素是否均为患者的指定身体部位对应的体素，或者该体素与该体素的相对体素是否均为除患者的指定身体部位对应的体素之外的其他体素；若是，则确定该体素为第一目标体素；若否，则确定该体素为第二目标体素；根据所述第一特征向量中对应于所述第一目标体素的特征信息和所述第二特征向量中包含的对应于所述第一目标体素的特征信息之间的差异度，确定第一子损失；根据所述第一特征向量中对应于所述第二目标体素的特征信息和所述第二特征向量中对应于所述第二目标体素的特征信息之间的差异度，确定第二子损失；根据所述第一子损失和所述第二子损失，确定所述第一损失。
可选地，所述训练模块505具体用于，判断所述第一特征向量中对应于所述第二目标体素的特征信息和所述第二特征向量中对应于所述第二目标体素的特征信息之间的差异度是否超过预设阈值；若是，则根据所述第一子损失，确定所述第一损失；若否，则根据所述第一子损失和所述第二子损失，确定所述第一损失。
图6为本说明书提供的一种图像配准装置的示意图，包括：
图像获取模块601，用于获取第一待配准图像和第二待配准图像；
形变场确定模块602，用于将所述第一待配准图像和所述第二待配准图像输入到预先训练的配准模型中，以通过所述配准模型得到所述第一待配准图像对应的形变场，所述配准模型是通过上述模型训练的方法训练得到；
任务执行模块603，用于根据所述第一待配准图像对应的形变场，对所述第一待配准图像进行形变，得到形变后第一待配准图像，并通过所述形变后第一待配准图像和第二待配准图像进行配准。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种的方法。
本说明书还提供了图7所示的一种对应于图1的电子设备的示意结构图。如图7所示，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (17)

1.一种模型训练方法，其特征在于，包括：
获取第一原始图像和第二原始图像，所述第一原始图像和第二原始图像为历史采集到的患者的计算机断层扫描CT图像；
通过随机采样的方式从所述第一原始图像中采样得到符合第一正态分布的各第一样本体素，并根据所述各第一样本体素得到第一样本图像，以及，通过随机采样的方式从所述第二原始图像中采样得到符合第二正态分布的各第二样本体素，并根据所述各第二样本体素生成第二样本图像，所述第一正态分布用于表示所述第一原始图像中包含的各体素的体素值分布，所述第二正态分布用于表示所述第二原始图像中包含的各体素的体素值分布；
将所述第一样本图像和所述第二样本图像输入到配准模型中，以通过所述配准模型得到所述第一样本图像对应的形变场，所述形变场为将所述第一样本图像进行转换为所述第二样本图像所需的形变参数；
根据所述形变场对所述第一样本图像进行形变，得到形变后第一样本图像；
针对所述形变后第一样本图像中的每个体素，根据该体素和该体素在所述第二样本图像中位置对应的体素之间的差异度，确定该体素对应的配准损失，所述该体素和该体素在所述第二样本图像中位置对应的体素之间的差异度越大，该体素对应的配准损失越大；
根据所述形变后第一样本图像中的每个体素对应的配准损失，确定总配准损失；
以最小化所述总配准损失为优化目标，对所述配准模型进行训练。
2.如权利要求1所述的方法，其特征在于，通过随机采样的方式从所述第一原始图像中采样得到符合第一正态分布的各第一样本体素，并根据所述各第一样本体素得到第一样本图像，以及，通过随机采样的方式从所述第二原始图像中采样得到符合第二正态分布的各第二样本体素，并根据所述各第二样本体素生成第二样本图像，具体包括：
确定所述第一原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第一正态分布，通过随机采样，生成符合所述第一正态分布的各第一样本体素，根据符合所述第一正态分布的各第一样本体素得到第一样本图像中患者的指定身体部位对应的图像；
以及，确定所述第二原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第二正态分布，通过随机采样，生成符合所述第二正态分布的各第二样本体素，根据符合所述第二正态分布的各第二样本体素得到第二样本图像中患者的指定身体部位对应的图像。
3.如权利要求2所述的方法，其特征在于，确定所述第一原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第一正态分布，具体包括：
确定所述第一原始图像中包含的患者的指定身体部位对应的各体素在所述第一原始图像中的位置，作为各第一原始体素标签；
从各第一原始体素标签中，随机采样得到各第一体素标签，并确定各第一体素标签对应的体素的体素值的正态分布，作为第一正态分布；
通过随机采样，生成符合所述第一正态分布的各第一样本体素，根据符合所述第一正态分布的各第一样本体素得到第一样本图像中患者的指定身体部位对应的图像，具体包括：
针对每个第一原始体素标签，通过随机采样，生成符合所述第一正态分布的体素，作为该第一原始体素标签对应的第一样本体素；
根据符合所述第一正态分布的各第一样本体素得到第一样本图像中患者的指定身体部位对应的图像；
确定所述第二原始图像中包含的患者的指定身体部位对应的各体素的体素值的正态分布，作为第二正态分布，具体包括：
确定所述第二原始图像中包含的患者的指定身体部位对应的各体素在所述第二原始图像中的位置，作为各第二原始体素标签；
从各第二原始体素标签中，随机采样得到各第二体素标签，并确定各第二体素标签对应的体素的体素值的正态分布，作为第二正态分布；
通过随机采样，生成符合所述第二正态分布的各第二样本体素，根据符合所述第二正态分布的各第二样本体素得到第二样本图像中患者的指定身体部位对应的图像，具体包括：
针对每个第二原始体素标签，通过随机采样，生成符合所述第二正态分布的体素，作为该第二原始体素标签对应的第二样本体素；
根据符合所述第二正态分布的各第二样本体素得到第二样本图像中患者的指定身体部位对应的图像。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
确定所述第一原始图像中包含的除各第一体素标签对应的体素之外的其他体素的体素值的正态分布，作为第三正态分布，通过随机采样，生成符合所述第三正态分布的各第一样本体素，根据符合所述第三正态分布的各第一样本体素得到第一样本图像中除患者的指定身体部位对应的图像之外的其他图像；
以及，确定所述第二原始图像中包含的除各第二体素标签对应的体素之外的其他体素的体素值的正态分布，作为第四正态分布，通过随机采样，生成符合所述第四正态分布的各第二样本体素，根据符合所述第四正态分布的各第二样本体素得到第二样本图像中除患者的指定身体部位对应的图像之外的其他图像。
5.如权利要求1所述的方法，其特征在于，根据所述各第一样本体素得到第一样本图像，具体包括：
根据所述各第一样本体素得到第一初始样本图像；
通过预设的高斯核函数对所述第一初始样本图像进行卷积操作，得到处理后的第一初始样本图像，作为第一样本图像；
根据所述各第二样本体素生成第二样本图像，具体包括：
根据所述各第二样本体素得到第二初始样本图像；
通过预设的高斯核函数对所述第二初始样本图像进行卷积操作，得到处理后的第二初始样本图像，作为第二样本图像。
6.如权利要求1所述的方法，其特征在于，根据所述各第一样本体素得到第一样本图像，具体包括：
根据所述各第一样本体素得到第一初始样本图像；
对所述第一初始样本图像进行图像处理，得到处理后的第一初始样本图像，作为第一样本图像，所述图像处理包括：增强对比度处理、添加伪影处理中的至少一种；
根据所述各第二样本体素生成第二样本图像，具体包括：
根据所述各第二样本体素得到第二初始样本图像；
对所述第二初始样本图像进行图像处理，得到处理后的第二初始样本图像，作为第二样本图像。
7.如权利要求1所述的方法，其特征在于，根据所述形变后第一样本图像中的每个体素对应的配准损失，确定总配准损失，具体包括：
根据预先确定的所述形变后第一样本图像中的每个体素对应的置信度，对所述形变后第一样本图像中的每个体素对应的配准损失进行加权融合，得到总配准损失。
8.如权利要求7所述的方法，其特征在于，确定的所述形变后第一样本图像中的每个体素对应的置信度，具体包括：
将所述第一样本图像和所述第二样本图像输入到预先训练的预测模型中，以通过所述预测模型针对所述第一样本图像中的每个体素，确定该体素和该体素在所述第二样本图像中对应的体素之间的相似度，作为该体素对应的置信度。
9.如权利要求8所述的方法，其特征在于，训练所述预测模型，具体包括：
获取历史第一样本图像和历史第二样本图像；
将所述历史第一样本图像和所述历史第二样本图像输入到预测模型中，以通过所述预测模型，针对所述历史第一样本图像所包含的每个体素，确定该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度；
以最大化通过所述预测模型确定出的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度和预先确定的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度标签之间的相似度为训练目标，对所述预测模型的特征提取层进行训练。
10.如权利要求8所述的方法，其特征在于，所述预测模型包括：特征提取层、决策层；
训练所述预测模型，具体包括：
获取历史第一样本图像和历史第二样本图像；
将所述历史第一样本图像和所述历史第二样本图像输入到预测模型中，以通过所述预测模型的所述特征提取层，得到所述历史第一样本图像对应的第一特征向量和所述历史第二样本图像对应的第二特征向量；
通过所述预测模型的决策层，根据所述第一特征向量和所述第二特征向量，针对所述历史第一样本图像所包含的每个体素，确定该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度；
根据第一特征向量和所述第二特征向量之间的差异度，确定第一损失；
根据通过所述预测模型的决策层确定出的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度和预先确定的该体素和该体素在所述历史第二样本图像中对应的体素之间的相似度标签之间的相似度，确定第二损失；
以最小化所述第一损失和所述第二损失，对所述预测模型的特征提取层进行训练。
11.如权利要求10所述的方法，其特征在于，根据第一特征向量和所述第二特征向量之间的相似度，确定第一损失，具体包括：
针对所述第一样本图像中包含的每个体素，确定该体素在所述第一样本图像中的位置，并确定在所述第二样本图像中位于所述位置的体素，作为该体素的相对体素；
判断该体素与该体素的相对体素是否均为患者的指定身体部位对应的体素，或者该体素与该体素的相对体素是否均为除患者的指定身体部位对应的体素之外的其他体素；
若是，则确定该体素为第一目标体素；
若否，则确定该体素为第二目标体素；
根据所述第一特征向量中对应于所述第一目标体素的特征信息和所述第二特征向量中包含的对应于所述第一目标体素的特征信息之间的差异度，确定第一子损失；
根据所述第一特征向量中对应于所述第二目标体素的特征信息和所述第二特征向量中对应于所述第二目标体素的特征信息之间的差异度，确定第二子损失；
根据所述第一子损失和所述第二子损失，确定所述第一损失。
12.如权利要求11所述的方法，其特征在于，根据所述第一子损失和所述第二子损失，确定所述第一损失，具体包括：
判断所述第一特征向量中对应于所述第二目标体素的特征信息和所述第二特征向量中对应于所述第二目标体素的特征信息之间的差异度是否超过预设阈值；
若是，则根据所述第一子损失，确定所述第一损失；
若否，则根据所述第一子损失和所述第二子损失，确定所述第一损失。
13.一种图像配准方法，其特征在于，包括：
获取第一待配准图像和第二待配准图像；
将所述第一待配准图像和所述第二待配准图像输入到预先训练的配准模型中，以通过所述配准模型得到所述第一待配准图像对应的形变场，所述配准模型是通过上述权利要求1~12任一项所述的方法训练得到；
根据所述第一待配准图像对应的形变场，对所述第一待配准图像进行形变，得到形变后第一待配准图像，并通过所述形变后第一待配准图像和第二待配准图像进行配准。
14.一种模型训练装置，其特征在于，包括：
获取模块，用于获取第一原始图像和第二原始图像，所述第一原始图像和第二原始图像为历史采集到的患者的计算机断层扫描CT图像；
生成模块，用于通过随机采样的方式从所述第一原始图像中采样得到符合第一正态分布的各第一样本体素，并根据所述各第一样本体素得到第一样本图像，以及，通过随机采样的方式从所述第二原始图像中采样得到符合第二正态分布的各第二样本体素，并根据所述各第二样本体素生成第二样本图像，所述第一正态分布用于表示所述第一原始图像中包含的各体素的体素值分布，所述第二正态分布用于表示所述第二原始图像中包含的各体素的体素值分布；
配准模块，用于将所述第一样本图像和所述第二样本图像输入到配准模型中，以通过所述配准模型得到所述第一样本图像对应的形变场，所述形变场为将所述第一样本图像进行转换为所述第二样本图像所需的形变参数；
执行模块，用于根据所述形变场对所述第一样本图像进行形变，得到形变后第一样本图像；
训练模块，针对所述形变后第一样本图像中的每个体素，根据该体素和该体素在所述第二样本图像中位置对应的体素之间的差异度，确定该体素对应的配准损失，所述该体素和该体素在所述第二样本图像中位置对应的体素之间的差异度越大，该体素对应的配准损失越大；根据所述形变后第一样本图像中的每个体素对应的配准损失，确定总配准损失；以最小化所述总配准损失为优化目标，对所述配准模型进行训练。
15.一种图像配准装置，其特征在于，包括：
图像获取模块，用于获取第一待配准图像和第二待配准图像；
形变场确定模块，用于将所述第一待配准图像和所述第二待配准图像输入到预先训练的配准模型中，以通过所述配准模型得到所述第一待配准图像对应的形变场，所述配准模型是通过上述权利要求1~12任一项所述的方法训练得到；
任务执行模块，用于根据所述第一待配准图像对应的形变场，对所述第一待配准图像进行形变，得到形变后第一待配准图像，并通过所述形变后第一待配准图像和第二待配准图像进行配准。
16.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~13任一项所述的方法。
17.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~13任一项所述的方法。
CN202310516976.3A 2023-05-09 2023-05-09 一种模型训练、图像配准方法及装置 Active CN116229218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310516976.3A CN116229218B (zh) 2023-05-09 2023-05-09 一种模型训练、图像配准方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310516976.3A CN116229218B (zh) 2023-05-09 2023-05-09 一种模型训练、图像配准方法及装置

Publications (2)

Publication Number Publication Date
CN116229218A CN116229218A (zh) 2023-06-06
CN116229218B true CN116229218B (zh) 2023-08-04

Family

ID=86569983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310516976.3A Active CN116229218B (zh) 2023-05-09 2023-05-09 一种模型训练、图像配准方法及装置

Country Status (1)

Country Link
CN (1) CN116229218B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303547A (zh) * 2014-07-11 2016-02-03 东北大学 一种基于网格匹配的Demons算法的多期CT图像配准方法
CN109872332A (zh) * 2019-01-31 2019-06-11 广州瑞多思医疗科技有限公司 一种基于u-net神经网络的三维医学图像配准方法
CN113096169A (zh) * 2021-03-31 2021-07-09 华中科技大学 一种非刚性多模医学图像的配准模型建立方法及其应用
CN113610752A (zh) * 2021-06-15 2021-11-05 上海联影智能医疗科技有限公司 乳腺图像配准方法、计算机设备和存储介质
CN114612527A (zh) * 2022-03-01 2022-06-10 京东科技信息技术有限公司 图像配准方法、装置、电子设备及存储介质
CN114820469A (zh) * 2022-04-07 2022-07-29 重庆大学 基于生成对抗网络的缺陷图像样本生成方法、系统、介质及设备
CN115546095A (zh) * 2022-01-28 2022-12-30 北京歌锐科技有限公司 一种图像的配准方法及配准装置
CN115830016A (zh) * 2023-02-09 2023-03-21 真健康（北京）医疗科技有限公司 医学图像配准模型训练方法及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013003826A1 (en) * 2011-06-29 2013-01-03 The Regents Of The University Of Michigan Analysis of temporal changes in registered tomographic images

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303547A (zh) * 2014-07-11 2016-02-03 东北大学 一种基于网格匹配的Demons算法的多期CT图像配准方法
CN109872332A (zh) * 2019-01-31 2019-06-11 广州瑞多思医疗科技有限公司 一种基于u-net神经网络的三维医学图像配准方法
CN113096169A (zh) * 2021-03-31 2021-07-09 华中科技大学 一种非刚性多模医学图像的配准模型建立方法及其应用
CN113610752A (zh) * 2021-06-15 2021-11-05 上海联影智能医疗科技有限公司 乳腺图像配准方法、计算机设备和存储介质
CN115546095A (zh) * 2022-01-28 2022-12-30 北京歌锐科技有限公司 一种图像的配准方法及配准装置
CN114612527A (zh) * 2022-03-01 2022-06-10 京东科技信息技术有限公司 图像配准方法、装置、电子设备及存储介质
CN114820469A (zh) * 2022-04-07 2022-07-29 重庆大学 基于生成对抗网络的缺陷图像样本生成方法、系统、介质及设备
CN115830016A (zh) * 2023-02-09 2023-03-21 真健康（北京）医疗科技有限公司 医学图像配准模型训练方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
医学图像配准深度学习方法与应用研究;顾冬冬;中国博士学位论文全文数据库基础科学辑;第2023卷(第02期);第A006-252页 *

Also Published As

Publication number Publication date
CN116229218A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
CN112862805A (zh) 听神经瘤图像自动化分割方法及系统
CN113610752A (zh) 乳腺图像配准方法、计算机设备和存储介质
CN116563533A (zh) 基于目标位置先验信息的医学图像分割方法及系统
CN117333529B (zh) 一种基于模板匹配的血管超声内膜自动化测量方法及系统
CN116030247B (zh) 一种医学图像样本生成方法、装置、存储介质及电子设备
CN116342888B (zh) 一种基于稀疏标注训练分割模型的方法及装置
CN116524295A (zh) 一种图像处理方法、装置、设备及可读存储介质
CN116229218B (zh) 一种模型训练、图像配准方法及装置
CN117079777A (zh) 一种医学影像的补全方法、装置、存储介质及电子设备
CN115082405B (zh) 颅内病灶的检测模型的训练方法、检测方法、装置及设备
CN116258679A (zh) 一种信息推荐方法、装置、存储介质及电子设备
CN113744284B (zh) 脑肿瘤图像区域分割方法、装置、神经网络及电子设备
CN115546094A (zh) 一种模型的训练方法、ct图像的优化方法及装置
CN113379770A (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN115552464A (zh) 通过预测有符号距离图进行形状感知器官分割
Vos et al. Improving automated intracranial artery labeling using atlas-based features in graph convolutional nets
CN117036830B (zh) 一种肿瘤分类模型训练方法、装置、存储介质及电子设备
JP7459357B1 (ja) 画像認識方法、装置、デバイスおよび記憶媒体
CN116309924B (zh) 一种模型训练的方法、图像展示的方法及装置
CN116824247A (zh) 一种图像识别的方法、装置、存储介质及电子设备
CN116433795B (zh) 基于对抗生成网络的多模态影像生成方法和装置
CN117252831A (zh) 一种病灶转移预测方法、装置、存储介质及电子设备
CN117635497A (zh) 一种图像处理的方法、装置、存储介质及电子设备
CN116188469A (zh) 一种病灶检测方法、装置、可读存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant